用途：FAIRChem 是 Meta 的化学机器学习框架，提供预训练 UMA 模型，用于材料与分子模拟中的能量、力、应力预测，可在不运行 DFT 的情况下完成快速几何优化、大规模分子动力学与 NEB 计算，并集成 ASE 工作流。
主要能力：提供 uma-s-1p1（约 50M 参数，推理更快）与 uma-m-1p1（约 300M 参数，精度更高）两种通用模型；通过 task_name 切换领域，包括 oc20（催化表面与吸附物）、omat（无机材料与晶体）、omol（有机分子）、odac（金属有机框架）、omc（分子晶体）。FAIRChemCalculator 是 ASE 计算器接口，支持优化、MD、NEB，可返回能量、力与应力。支持 turbo 推理设置与 workers 多 GPU 分布式推理。
使用方式：安装 pip install fairchem-core，GPU 支持用 pip install fairchem-core[gpu]；UMA 模型需 Hugging Face 账号并申请访问权限，先 pip install huggingface-hub 再 huggingface-cli login。典型流程为 load_predict_unit 加载模型，FAIRChemCalculator 指定 task_name，再挂到 ASE 的 Atoms 上计算或优化。
适用场景：高通量筛选、长时 MD、大体系（数百至数千原子）、快速原型验证；DFT 更适合最终验证、训练数据外的新化学体系、电子结构与磁性分析。
限制：ML 模型误差特征与 DFT 不同，资料建议对关键结果用 DFT 验证；模型不提供不确定性量化；FAIRChem v2 与 v1 不兼容，UMA 模型需 FAIRChem >= 2.0；需注意 GPU 显存与推理速度问题。具体收费、价格与平台支持暂未提供。